UA MATH563 概率论的数学基础 中心极限定理5 Renyi定理
UA MATH563 概率论的数学基础 中心极限定理5 Renyi定理
这是独立随机变量及其性质的一个应用,假设X1,⋯,Xn∼iidFX_1,\cdots,X_n \sim_{iid} FX1,⋯,Xn∼iidF,其中FFF连续可微。
引理 P(Xi≠Xj)=1,∀i≠jP(X_i \ne X_j) = 1,\forall i \ne jP(Xi=Xj)=1,∀i=j
证明 我们来说明X,YX,YX,Y独立同分布于FFF,则P(X=Y)=0P(X=Y)=0P(X=Y)=0,这个结果非常类似在平面中,直线的Lebesgue测度为0,虽然结论非常直观,但是我们要处理的对应也是可能取到无穷的,这在分析上会带来一些困难,但我们可以用truncation技巧,任选一个正数M>0M>0M>0,
{X=Y}={X=Y,∣X∣,∣Y∣≤M}∩{X=Y,∣X∣,∣Y∣>M}\{X=Y\}=\{X=Y,|X| ,|Y| \le M\} \cap \{X=Y,|X|,|Y|>M\}{X=Y}={X=Y,∣X∣,∣Y∣≤M}∩{X=Y,∣X∣,∣Y∣>M}
先考虑第二项,根据独立性
P({X=Y,∣X∣,∣Y∣>M})≤P(∣X∣,∣Y∣>M)=P(∣X∣>M)P(∣Y∣>M)=[1−F(M)+F(−M)]2P(\{X=Y,|X|,|Y|>M\}) \le P(|X|,|Y|>M) \\ = P(|X|>M)P(|Y|>M)=[1-F(M)+F(-M)]^2P({X=Y,∣X∣,∣Y∣>M})≤P(∣X∣,∣Y∣>M)=P(∣X∣>M)P(∣Y∣>M)=[1−F(M)+F(−M)]2
根据累积分布函数的性质,当MMM足够大时,即∃δ>0\exists \delta >0∃δ>0,∀M>δ\forall M > \delta∀M>δ,
F(−M)<ϵ,1−F(M)<ϵ,∀ϵ>0F(-M)<\epsilon,1-F(M)<\epsilon,\forall \epsilon>0F(−M)<ϵ,1−F(M)<ϵ,∀ϵ>0
下面考虑第一项,对于∣X∣,∣Y∣≤M|X| ,|Y| \le M∣X∣,∣Y∣≤M的区域,我们可以把它分解成(2Mn)2(2Mn)^2(2Mn)2个小区域,并且只有对角线区域,也就是(a/n,(a+1)/n]×(a/n,(a+1)/n](a/n,(a+1)/n] \times (a/n,(a+1)/n](a/n,(a+1)/n]×(a/n,(a+1)/n],a=−Mn,⋯,Mna=-Mn,\cdots,Mna=−Mn,⋯,Mn这样的区域才有概率,计算
P(X,Y∈(a/n,(a+1)/n]×(a/n,(a+1)/n])=(F(a+1n)−F(an))2P(X,Y \in (a/n,(a+1)/n] \times (a/n,(a+1)/n]) \\ = (F(\frac{a+1}{n})-F(\frac{a}{n}))^2P(X,Y∈(a/n,(a+1)/n]×(a/n,(a+1)/n])=(F(na+1)−F(na))2
于是
P(X=Y,∣X∣,∣Y∣≤M)≤P(⋃a(a/n,(a+1)/n]×(a/n,(a+1)/n])=∑a=−MnMn(F(a+1n)−F(an))2≤supa∣F(a+1n)−F(an)∣∑a=−MnMn[F(a+1n)−F(an))]=supa∣F(a+1n)−F(an)∣[F(M)−F(−M)]≤supa∣F(a+1n)−F(an)∣P(X=Y,|X|,|Y| \le M) \\ \le P(\bigcup_a(a/n,(a+1)/n] \times (a/n,(a+1)/n]) \\ = \sum_{a=-Mn}^{Mn}(F(\frac{a+1}{n})-F(\frac{a}{n}))^2 \\ \le \sup_a|F(\frac{a+1}{n})-F(\frac{a}{n})|\sum_{a=-Mn}^{Mn}[F(\frac{a+1}{n})-F(\frac{a}{n}))] \\ = \sup_a|F(\frac{a+1}{n})-F(\frac{a}{n})|[F(M)-F(-M)] \\ \le \sup_a|F(\frac{a+1}{n})-F(\frac{a}{n})|P(X=Y,∣X∣,∣Y∣≤M)≤P(a⋃(a/n,(a+1)/n]×(a/n,(a+1)/n])=a=−Mn∑Mn(F(na+1)−F(na))2≤asup∣F(na+1)−F(na)∣a=−Mn∑Mn[F(na+1)−F(na))]=asup∣F(na+1)−F(na)∣[F(M)−F(−M)]≤asup∣F(na+1)−F(na)∣
因为FFF是连续的,事实上连续的累积分布函数在闭区间上会是一致连续的,所以当nnn足够大时,
supa∣F(a+1n)−F(an)∣<ϵ\sup_a|F(\frac{a+1}{n})-F(\frac{a}{n})|<\epsilonasup∣F(na+1)−F(na)∣<ϵ
综上,P(X=Y)=0P(X=Y)=0P(X=Y)=0。
定义 称XiX_iXi是一个record如果Xi>max(X1,⋯,Xi−1)X_i>\max(X_1,\cdots,X_{i-1})Xi>max(X1,⋯,Xi−1);XjX_jXj的rank为Rj=∑k=1j1Xi≥XjR_j = \sum_{k=1}^j1_{X_i \ge X_j}Rj=∑k=1j1Xi≥Xj,显然Rj=1⇔XjisarecordR_j=1 \Leftrightarrow X_j\ is\ a\ recordRj=1⇔Xj is a record。
评注 我们可以这样来理解,假设X1,⋯,XnX_1,\cdots,X_nX1,⋯,Xn表示某气象站在某地一天内进行的nnn次温度测量,但实际上该气象站只需要披露最低温与最高温,Xi>max(X1,⋯,Xi−1)X_i>\max(X_1,\cdots,X_{i-1})Xi>max(X1,⋯,Xi−1)表示XiX_iXi是到第iii次测量为止的最高温,于是它形成一个新记录,RjR_jRj表示的是到第jjj次测量为止,第jjj次测量值的排名,显然排名为1等价于它是一个新记录。
Renyi定理 R1,⋯,RnR_1,\cdots,R_nR1,⋯,Rn独立且服从同样的分布:
P(Rj=k)=1j,k=1,⋯,jP(R_j=k)=\frac{1}{j},k=1,\cdots,jP(Rj=k)=j1,k=1,⋯,j
评述 定义Aj={Rj=1}A_j = \{R_j=1\}Aj={Rj=1}(XjX_jXj是一个新记录),Renyi定理说明1A1,⋯,1An1_{A_1},\cdots,1_{A_n}1A1,⋯,1An独立,且1Aj∼Ber(1/j)1_{A_j} \sim Ber(1/j)1Aj∼Ber(1/j),简单来说也就是第一、二、。。。,n个测量成为新记录的概率分别是1,1/2,⋯,1/n1,1/2,\cdots,1/n1,1/2,⋯,1/n。
证明
对于X1,⋯,XnX_1,\cdots,X_nX1,⋯,Xn,用X1(w),⋯,Xn(w)X_1(w),\cdots,X_n(w)X1(w),⋯,Xn(w)表示一组测量数据(也就是这个随机变量序列的一个realization),则X1(w),⋯,Xn(w)X_1(w),\cdots,X_n(w)X1(w),⋯,Xn(w)可能有n!n!n!种次序(其实就是n!n!n!种排列),因为X1,⋯,XnX_1,\cdots,X_nX1,⋯,Xn独立同分布,我们可以说明每一种排列的可能性相同,下面是一个简单的思路:
计算某一种顺序的概率,比如X1<X2<⋯<XnX_1 <X_2 < \cdots < X_nX1<X2<⋯<Xn,
P(X1<X2<⋯<Xn)=∫X1<X2<⋯<Xndμ1×μ2×⋯×μnP(X_1 <X_2 < \cdots < X_n) = \int_{X_1 <X_2 < \cdots < X_n}d\mu_1 \times \mu_2 \times \cdots \times \mu_nP(X1<X2<⋯<Xn)=∫X1<X2<⋯<Xndμ1×μ2×⋯×μn
如果交换X1,X2X_1,X_2X1,X2的次序,
P(X2<X1<⋯<Xn)=∫X2<X1<⋯<Xndμ2×μ1×⋯×μnP(X_2 <X_1 < \cdots < X_n) = \int_{X_2 <X_1 < \cdots < X_n}d\mu_2 \times \mu_1 \times \cdots \times \mu_nP(X2<X1<⋯<Xn)=∫X2<X1<⋯<Xndμ2×μ1×⋯×μn
因为X1,X2X_1,X_2X1,X2独立同分布,μ1=μ2\mu_1=\mu_2μ1=μ2,所以
dμ1×μ2×⋯×μn=dμ2×μ1×⋯×μnd\mu_1 \times \mu_2 \times \cdots \times \mu_n=d\mu_2 \times \mu_1 \times \cdots \times \mu_ndμ1×μ2×⋯×μn=dμ2×μ1×⋯×μn
上面两个积分区域对应的都是Rn\mathbb{R}^nRn被平均分成n!n!n!份后的一份,根据对称性,
P(X1<X2<⋯<Xn)=P(X2<X1<⋯<Xn)=1n!P(X_1 <X_2 < \cdots < X_n) = P(X_2 <X_1 < \cdots < X_n)=\frac{1}{n!}P(X1<X2<⋯<Xn)=P(X2<X1<⋯<Xn)=n!1
对于每一种排列,我们都可以做这个操作,得到相同的概率。
经过简单观察,我们可以发现{R1,R2,⋯,Rn}\{R_1,R_2,\cdots,R_n\}{R1,R2,⋯,Rn}的值与X1,⋯,XnX_1,\cdots,X_nX1,⋯,Xn的每一种排列之间是一一对应。比如R1=1,R2=2,R3=3R_1=1,R_2=2,R_3=3R1=1,R2=2,R3=3对应的排列顺序就是X1>X2>X3X_1>X_2>X_3X1>X2>X3,再比如R1=1,R2=1,R3=1R_1=1,R_2=1,R_3=1R1=1,R2=1,R3=1对应X1<X2<X3X_1<X_2<X_3X1<X2<X3。所以
P(R1=r1,⋯,Rn=rn)=P(某种排列顺序)=1n!P(R_1=r_1,\cdots,R_n=r_n)=P(某种排列顺序)=\frac{1}{n!}P(R1=r1,⋯,Rn=rn)=P(某种排列顺序)=n!1
这是R1,⋯,RnR_1,\cdots,R_nR1,⋯,Rn的联合分布,下面我们计算每一个RjR_jRj的边缘分布。
P(Rj=rj)=∑r1,⋯,rj−1,rj+1,⋯,rnP(R1=r1,⋯,Rn=rn)=1×2×⋯(j−1)⋯(j+1)×⋯×n/n!=1jP(R_j=r_j)=\sum_{r_1,\cdots,r_{j-1},r_{j+1},\cdots,r_n} P(R_1=r_1,\cdots,R_n=r_n) \\ = 1 \times 2 \times \cdots (j-1) \cdots (j+1) \times \cdots \times n/n! = \frac{1}{j}P(Rj=rj)=r1,⋯,rj−1,rj+1,⋯,rn∑P(R1=r1,⋯,Rn=rn)=1×2×⋯(j−1)⋯(j+1)×⋯×n/n!=j1
因此,我们不难验证
∏j=1nP(Rj=rj)=P(R1=r1,⋯,Rn=rn)=1n!\prod_{j=1}^n P(R_j = r_j) = P(R_1=r_1,\cdots,R_n = r_n) = \frac{1}{n!}j=1∏nP(Rj=rj)=P(R1=r1,⋯,Rn=rn)=n!1
所以R1,⋯,RnR_1,\cdots,R_nR1,⋯,Rn独立。
UA MATH563 概率论的数学基础 中心极限定理5 Renyi定理相关推荐
- UA MATH563 概率论的数学基础 中心极限定理21 Skorohod定理的证明
UA MATH563 概率论的数学基础 中心极限定理21 Skorohod定理的证明 Skorohod定理 如果Fn⇒FF_n \Rightarrow FFn⇒F,则存在以FnF_nFn为cdf的 ...
- UA MATH563 概率论的数学基础 中心极限定理13 Glivenko-Cantelli定理:经验分布函数收敛到真实分布
UA MATH563 概率论的数学基础 中心极限定理13 Glivenko-Cantelli定理:经验分布函数收敛到真实分布 这一讲我们介绍大数定律的一个应用,说明经验分布函数会收敛到真实的分布.先回 ...
- UA MATH563 概率论的数学基础 中心极限定理22 度量概率空间中的弱收敛 Portmanteau定理
UA MATH563 概率论的数学基础 中心极限定理22 度量概率空间中的弱收敛 Portmanteau定理 现在我们讨论度量空间中的弱收敛,假设(Ω,d)(\Omega,d)(Ω,d)是一个度量空间 ...
- UA MATH563 概率论的数学基础 中心极限定理24 随机变量的特征函数
UA MATH563 概率论的数学基础 中心极限定理24 随机变量的特征函数 定义 假设XXX是定义在(Ω,F,P)(\Omega,\mathcal{F},P)(Ω,F,P)上的随机变量,定义 ϕ(t ...
- UA MATH563 概率论的数学基础 中心极限定理23 概率测度族的紧性
UA MATH563 概率论的数学基础 中心极限定理23 概率测度族的紧性 给定一个度量可测空间(Ω,F)(\Omega,\mathcal{F})(Ω,F),度量为ddd,我们可以在这个可测空间上定义 ...
- UA MATH563 概率论的数学基础 中心极限定理20 弱收敛的性质
UA MATH563 概率论的数学基础 中心极限定理20 弱收敛的性质 性质一:两种定义的等价性 随机变量依分布收敛 定义一: 假设{Xn}\{X_n\}{Xn}是一列随机变量,称它依分布收敛到XX ...
- UA MATH563 概率论的数学基础 中心极限定理17 0-1律的应用
UA MATH563 概率论的数学基础 中心极限定理17 0-1律的应用 第14讲到第16讲我们介绍了Kolmogorov非常著名的几大定理(如下),事实上Kolmogorov开发出这些定理的目标是证 ...
- UA MATH563 概率论的数学基础 中心极限定理16 Kolmogorov 3-series定理
UA MATH563 概率论的数学基础 中心极限定理16 Kolmogorov 3-series定理 考虑∑n≥1an\sum_{n \ge 1}a_n∑n≥1an,这个级数收敛的充要条件是它的部 ...
- UA MATH563 概率论的数学基础 中心极限定理15 Kolmogorov 0-1律
UA MATH563 概率论的数学基础 中心极限定理15 Kolmogorov 0-1律 如果是初见的话会觉得Kolmogorov 0-1律看上去很奇怪,但它在概率论中有很广泛的应用,这一讲我们简单介 ...
最新文章
- 二叉树的先序遍历和非递归遍历
- LOOP WITH CONTROL 用法
- dj鲜生-29-登陆后欢迎信息的显示
- android smart home,Android smart home system based on ATmega16
- debugfs dd恢复误删数据
- mysql5.5及以下安装全过程(5.7以上不适合)
- ThreadLocalConnection
- 7个碎片的excel重组实验
- Fall 2020 Berkeley cs61a hw04答案
- Mac 修改移动硬盘图标,U盘图标
- 谷歌gmail注册入口_如何删除您的Gmail帐户而不删除您的Google帐户
- NMODBUS4.0源码下载地址
- xp系统蓝屏代码7b_蓝屏代码7b怎么修复
- 【生产调度】基于Harmony Search (HSPMS) 和 Shuffled Complex Evolution (SCEPMS) 实现并行机器调度附matlab代码
- 西藏计算机一级,西藏计算机等级考试级别
- linux中命令tat,10个炫酷的Linux终端命令大全
- 我学习的三种三栏(左中右)布局方法
- 蓝牙降噪耳机哪个比较好?四大热门降噪蓝牙耳机推荐
- ssh免密登录和阿里云epel安装
- 小白都能看懂的关于Mixins机制的理解
热门文章
- 【正一专栏】读《艾思奇哲学文选第六卷》
- (转载)机器学习知识点(十四)EM算法原理
- sklearn快速入门教程:(二)线性回归
- python引用文件的方法_[项目实践] python文件路径引用的
- 带参数的过滤器|| 过滤器案例:格式化日期|| time.js ||
- JavaScript 技术篇-js获取document的几种方式,js获取dom元素的常用方法。
- (转)跟我一起写 Makefile(一)(陈皓)
- Java新鲜东西,带有标签的continue和break
- [YTU]_2475( C++习题 多重继承)
- linspace--创建线性等分向量